روبات ها از قبل اینجا هستند

در یک وبلاگ در پستی که هفته گذشته منتشر شد، متا می پرسد، “ربات ها کجا هستند؟” پاسخ ساده است. آنها اینجا هستند. فقط باید بدانی که به کجا نگاه کن ی. این یک پاسخ خسته کننده است. من آن را تشخیص می دهم. بیایید گفتگوهای مربوط به خودروها و کمک راننده را کنار بگذاریم و فقط روی چیزهایی تمرکز کنیم که همه ما موافقیم که روبات هستند. برای شروع، تحویل آمازون بدون کمک رباتیک به شما نمی رسد.

یک سوال مرتبط تر این است: چرا ربات های بیشتری وجود ندارد؟ و بیشتر به این نکته، چرا در حال حاضر ربات های بیشتری در خانه من وجود ندارد؟ این یک سوال پیچیده با تفاوت های ظریف است – بسیاری از آن به وضعیت فعلی محدودیت های سخت افزاری در مورد مفهوم ربات “هدف عمومی” مربوط می شود. رومبا یک ربات است. Roombas های زیادی در جهان وجود دارد، و این عمدتا به این دلیل است که Roombas یک کار را به خوبی انجام می دهد (یک دهه بیشتر تحقیق و توسعه به پیشرفت کارها از وضعیت “بسیار خوب” کمک کرده است).

این مسئله چندان مهم نیست که فرضیه سؤال ناقص است – بیشتر یک سؤال در قالب بندی مجدد آن است. “چرا روبات های بیشتری وجود ندارد؟” سؤالی کاملاً معتبر برای یک غیر روباتیک است. به عنوان یک شخص قدیمی سخت افزار، معمولاً پاسخ خود را از آنجا شروع می کنم. من در دهه گذشته به اندازه کافی مکالمه داشته ام که کاملاً مطمئن هستم که می توانم کل مکالمه را در انحصار بحث در مورد بسیاری از نقاط بالقوه شکست با یک ربات گیرنده در اختیار داشته باشم.

برداشت متا مبتنی بر نرم افزار است و این به اندازه کافی منصفانه است. در چند سال گذشته، شاهد انفجاری در استارت‌آپ‌هایی بوده‌ام که با مقوله‌های مهم مختلفی مانند یادگیری رباتیک، استقرار/مدیریت و راه‌حل‌های بدون کد و کم‌کد مقابله می‌کنند. یک فریاد همیشه سبز در اینجا برای نزدیک به دو دهه تحقیق و توسعه که برای ایجاد، نگهداری و بهبود ROS انجام شده است. به طور مناسب، مهمانداران قدیمی Open Robotics توسط آلفابت خریداری شد، که کار خود را در این رده از طریق تلاش‌های داخلی، ربات‌های درونی و روزمره انجام می‌دهد (البته که به طور نامتناسبی تحت تأثیر کاهش منابع در سطح سازمان قرار گرفتند).

متا/فیس‌بوک بدون شک سهم خود را از پروژه‌های skunkworks انجام می‌دهد که هر چند وقت یکبار ظاهر می‌شوند. من تا کنون چیزی ندیده‌ام که نشان دهد آنها در مقیاسی با آنچه Alphabet/Google در طول سال‌ها کاوش کرده‌اند، هستند، اما دیدن برخی از این پروژه‌ها همیشه جالب است. در اطلاعیه‌ای که من شدیداً گمان می‌کنم با گسترش بحث‌های مولد هوش مصنوعی مرتبط است، این غول رسانه‌های اجتماعی آنچه را که «دو پیشرفت بزرگ به سمت عوامل هوش مصنوعی تجسم‌یافته همه‌منظوره قادر به انجام مهارت‌های حسی-حرکتی چالش‌برانگیز» می‌نامد، به اشتراک گذاشته است.

نقل قول مستقیم در اینجا:

قشر بینایی مصنوعی (به نام VC-1): یک مدل ادراک واحد که برای اولین بار از طیف متنوعی از مهارت‌های حسی حرکتی، محیط‌ها و تجسم‌ها پشتیبانی می‌کند. VC-1 بر روی ویدیوهایی از افرادی که وظایف روزمره را از مجموعه داده های پیشگامانه Ego4D ایجاد شده توسط Meta AI و شرکای دانشگاهی انجام می دهند، آموزش دیده است. و VC-1 با بهترین نتایج شناخته شده در 17 وظیفه حسی حرکتی مختلف در محیط های مجازی مطابقت دارد یا بهتر عمل می کند.

یک رویکرد جدید به نام هماهنگی مهارت های تطبیقی ​​(حسی حرکتی) (ASC) که عملکردی تقریباً عالی (98 درصد موفقیت) را در کار چالش برانگیز دستکاری موبایل رباتیک (پیمایش به یک شی، برداشتن آن، پیمایش به مکان دیگر، قرار دادن جسم، تکرار) در محیط های فیزیکی.

اعتبار تصویر: متا

تحقیقات جالبی است، بدون شک، و من هیجان زده هستم که به طور بالقوه برخی از این موارد را بررسی کنم و رو به جلو حرکت کنم. این روزها عبارت “هدف عمومی” زیاد مطرح می شود. این یک موضوع همیشه جالب برای گفتگو در رباتیک است، اما در پی رونمایی از ربات تسلا، تعداد زیادی از روبات‌های انسان‌نمای همه‌منظوره از روی چوب بیرون آمده‌اند. برای سال‌ها، مردم به من چیزهایی می‌گفتند که «در مورد ماسک چه می‌خواهی بگو، اما تسلا دوباره علاقه‌مند به خودروهای الکتریکی شده است» و این همان احساسی است که در حال حاضر نسبت به Optimus دارم. این یک نقش دوگانه وارداتی از تجدید بحث در مورد فاکتور فرم را ایفا می کند، در حالی که تصویری واضح برای اشاره به هنگام توضیح سخت بودن این چیزها ارائه می دهد. آیا می توان انتظارات مردم را به طور چشمگیری افزایش داد و در عین حال آنها را تعدیل کرد؟

باز هم، آن مکالمات به خوبی با همه این پیشرفت های GPT همراه است. همه این چیزها بسیار تأثیرگذار هستند، اما رادنی بروکس خطر در هم آمیختن چیزها را به خوبی در همین خبرنامه چند هفته پیش بیان کرد: “من فکر می کنم مردم بیش از حد خوش بین هستند. آنها عملکرد را با شایستگی اشتباه می گیرند. شما عملکرد خوبی را در یک انسان می بینید، می توانید بگویید که در چه چیزی صلاحیت دارند. ما در مدل سازی افراد بسیار خوب هستیم، اما همان مدل ها کاربرد ندارند. شما عملکرد فوق‌العاده‌ای را از یکی از این سیستم‌ها می‌بینید، اما به شما نمی‌گوید که چگونه در فضای مجاور اطراف آن یا با داده‌های مختلف کار می‌کند.»

اعتبار تصویر: کوواریانت

بدیهی است که من اجازه ندادم که مانع از آن شود که از بسیاری از افرادی که در ProMat با آنها صحبت کردم نظرشان را درباره نقش آینده هوش مصنوعی مولد در روباتیک بپرسم. پاسخ ها بود. . . دامنه وسیع برخی از آن چشم پوشی می کنند، برخی دیگر نقش بسیار مهمی را برای فناوری می بینند، و برخی دیگر هنوز در مورد معنای همه اینها برای آینده بسیار خوش بین هستند. در خبرنامه هفته گذشته، پیتر چن، مدیر عامل Covariant (که به تازگی 75 میلیون دلار جمع آوری کرده است)، زمینه جالبی را در مورد هوش مصنوعی عمومی ارائه کرد:

قبل از ChatGPT اخیر، تعداد زیادی هوش مصنوعی پردازش زبان طبیعی وجود داشت. جستجو، ترجمه، تشخیص احساسات، تشخیص هرزنامه – تعداد زیادی هوش مصنوعی به زبان طبیعی وجود دارد. رویکرد قبل از GPT این است که برای هر مورد استفاده، یک هوش مصنوعی خاص را با استفاده از زیرمجموعه کوچکتری از داده ها آموزش می دهید. اکنون به نتایج نگاه کنید و GPT اساساً رشته ترجمه را لغو می کند و حتی برای ترجمه آموزش ندیده است. رویکرد مدل پایه اساساً این است، به جای استفاده از مقادیر کمی از داده‌ها که مختص یک موقعیت است یا مدلی را آموزش می‌دهیم که مختص یک شرایط است، بیایید یک مدل تعمیم‌یافته پایه بزرگ را بر روی داده‌های بسیار بیشتری آموزش دهیم، بنابراین هوش مصنوعی تعمیم‌تر می‌شود.

البته Covariant در حال حاضر بیش از حد بر روی انتخاب و قرار دادن تمرکز دارد. صراحتاً این یک چالش به اندازه کافی بزرگ است که آنها را برای مدت طولانی مشغول نگه دارید. اما یکی از سیستم های وعده داده شده مانند این پیشنهاد، آموزش در دنیای واقعی است. شرکت‌هایی که در واقع ربات‌های واقعی دارند که کارهای واقعی را در دنیای واقعی انجام می‌دهند، پایگاه‌های داده و مدل‌هایی بسیار قدرتمند در مورد نحوه تعامل ماشین‌ها با دنیای اطراف خود می‌سازند (دیوارهای یک مرکز تحقیقاتی می‌توانند از این نظر محدود باشند).

دیدن اینکه چه تعداد از بلوک های ساختمانی به ظاهر متفاوت که توسط محققان و شرکت ها به طور یکسان تقویت شده اند، ممکن است روزی برای ایجاد یک سیستم واقعاً همه منظوره گرد هم آیند، سخت نیست. وقتی سخت‌افزار و هوش مصنوعی در آن سطح هستند، به نظر می‌رسد که گنجینه‌ای بی‌پایان از داده‌های میدانی برای آموزش آنها وجود خواهد داشت. اعتراف می‌کنم که کمی ترکیب و تطبیق فهرست رباتیک روی زمین در ProMat انجام دادم، تا مشخص کنم که با توجه به وضعیت فعلی فناوری تجاری در دسترس چقدر نزدیک هستیم.

در حال حاضر، رویکرد پلتفرم بسیار منطقی است. برای مثال، با Spot، Boston Dynamics به طور موثر مشتریان را در مدل آیفون می فروشد. ابتدا ژن یکی از یک قطعه سخت افزاری چشمگیر را تولید می کنید. سپس یک SDK را به افراد علاقه مند ارائه می دهید. اگر همه چیز طبق برنامه پیش برود، ناگهان این محصول کارهایی را انجام می دهید که تیم شما تصورش را هم نمی کرد. با فرض اینکه این کار مستلزم نصب تفنگ در پشت محصول نباشد (بر اساس دستورالعمل های BD)، این یک پیشنهاد هیجان انگیز است.

اعتبار تصویر: 1X

هنوز خیلی زود است که درباره ربات NEO شرکت 1X Technologies چیزی بگوییم، فراتر از این واقعیت که این شرکت به وضوح امیدوار است که در آن مقطع بین رباتیک و هوش مصنوعی مولد زندگی کند. مطمئناً یک متحد قدرتمند در OpenAI دارد. صندوق استارتاپ غول هوش مصنوعی یک دور 23.5 میلیون دلاری را رهبری کرد که در آن تایگر گلوبال نیز در میان دیگران حضور داشت.

بنیانگذار و مدیر عامل 1X، Bernt Øivind Børnich، می‌گوید: «1X از اینکه OpenAI این دور را رهبری می‌کند بسیار هیجان‌زده است، زیرا ما در مأموریت‌های خود همسو هستیم: ادغام متفکرانه فناوری در حال ظهور در زندگی روزمره مردم. با حمایت سرمایه گذارانمان، ما به گام های مهمی در زمینه رباتیک و تقویت بازار کار جهانی ادامه خواهیم داد.»

یک نکته جالب در مورد آن (حداقل برای من) این است که 1X در واقع برای یک دقیقه شروع به کار کرده است. این شرکت نروژی تا زمانی که اخیراً (دقیقاً یک ماه پیش) برند پیتی را تغییر داد، با نام Halodi شناخته می‌شد. شما فقط باید یک یا دو سال به عقب برگردید تا ببینید که شروع به شکل انسان نما است که شرکت در حال توسعه برای خدمات غذایی بود. این فناوری قطعاً پیچیده‌تر از همتای 2021 خود به نظر می‌رسد، اما پایه چرخ‌دار نشان می‌دهد که چقدر بیشتر برای رسیدن به نسخه‌ای از ربات باقی مانده است که ببینیم آیا رندر می‌شود یا خیر.

اتفاقاً، شاید من هستم، اما به نظر می رسد که یک تحول همگرا در اینجا اتفاق می افتد:

اعتبار تصویر: تسلا/شکل/IX – کلاژ نویسنده

از بالا به پایین، اینها رندرهای Tesla Optimus، Figure 01 و 1X Neo هستند. بدیهی است که کپی مستقیم نیست، اما مطمئناً به نظر می رسد که می توانند پسر عمو باشند. نئو کسی است که اصرار به پوشیدن هودی، حتی در مجالس رسمی دارد. گوش کن، من یک طراح صنعتی نیستم، اما کلاه گاوچرانی یا چیز دیگری چطور؟

اعتبار تصویر: MIT CSAIL

چه می گوییم هفته اخبار را با یک جفت پروژه تحقیقاتی به پایان برسانیم؟ اولین مورد یک سرگرمی از MIT است. وقتی واقعاً به آن فکر می کنید، بازی فوتبال یک راه عالی برای آزمایش حرکت است. دلیلی وجود دارد که Robocup نزدیک به 20 سال است که شروع به کار کرده است. با این حال، در مورد Dribblebot، چالش زمین ناهموار است – که شامل مواردی مانند چمن، گل و ماسه است.

استاد MIT پولکیت آگراوال می گوید:

اگر امروز به اطراف نگاه کنید، بیشتر ربات ها چرخدار هستند. اما تصور کنید که یک سناریوی فاجعه، سیل یا زلزله وجود دارد و ما می خواهیم روبات ها به انسان ها در فرآیند جستجو و نجات کمک کنند. ما به ماشین‌هایی برای عبور از زمین‌هایی نیاز داریم که مسطح نیستند و روبات‌های چرخدار نمی‌توانند از آن مناظر عبور کنند. هدف اصلی مطالعه ربات‌های پا، رفتن به مناطق خارج از دسترس سیستم‌های روباتیک فعلی است.

اعتبار تصویر: UCLA

دومین پروژه تحقیقاتی از دانشکده مهندسی Samueli دانشگاه UCLA است که اخیراً یافته‌های کار خود را در مورد روبات‌های اوریگامی منتشر کرده است. Origami MechanoBots یا “OrigaMechs” به حسگرهای تعبیه شده در بلوک های ساختمانی پلی استر نازک خود متکی هستند. بازپرس اصلی آنکور مهتا برنامه‌های بسیار زیادی برای این فناوری دارد.

او در یک پست مرتبط با این خبر گفت: «این نوع از سناریوهای خطرناک یا غیرقابل پیش‌بینی، مانند هنگام یک فاجعه طبیعی یا انسان‌ساز، می‌تواند جایی باشد که روبات‌های اوریگامی به‌ویژه مفید هستند. ربات ها می توانند برای عملکردهای تخصصی طراحی شوند و در صورت تقاضا بسیار سریع ساخته شوند. همچنین، در حالی که راه بسیار دور است، ممکن است محیط‌هایی در سیارات دیگر وجود داشته باشد که روبات‌های کاوشگر که در برابر آن سناریوها غیرقابل نفوذ هستند، بسیار مطلوب باشند.»

این کاملاً سطح زهره نیست، اما با این وجود، مگس گیر حسگر طعمه بسیار تمیز است.

شغل ها

بسیار خوب، یک دور تازه از لیست های شغلی چطور؟ من قصد دارم به انجام این کارها به صورت دوره ای در قسمت های بعدی ادامه دهم. بهترین راه برای قرار گرفتن در لیست این است که من را در لینکدین دنبال کنید و در موضوعاتی که من اعلام می کنم شغل جدیدی در راه است پاسخ دهید. مطمئناً این کارآمدترین راه برای انجام آن نیست، اما برای من کارآمد بوده است، بنابراین می‌خواهم در این مسیر باقی بمانم.

همانطور که در این هفته اشاره کردم، قصد دارم کسانی را که قبلاً معرفی نشده‌اند، در اولویت قرار دهم.

مشاغل ربات برای انسان ها

فرار (14 نقش)

Apptronik (20 نقش)

مهارت (18 نقش)

دستکش روباهی (3 نقش)

فانتوم خودکار (21 نقش)

Sanctuary AI (15 نقش)

اسلمکور (5 نقش)

بافته شده توسط تویوتا (4 نقش)

اعتبار تصویر: Bryce Durbin/TechCrunch

بیایید، دنیاهای دور را با Actuator کاوش کنید. در اینجا مشترک شوید.